ML pol2

¿Cuál de los siguientes no es un tipo de aprendizaje automático?

• Aprendizaje supervisado

• Aprendizaje no supervisado

• Aprendizaje reforzado

• Aprendizaje intuitivo

¿Cuál de las siguientes opciones describe mejor el aprendizaje reforzado (reinforcement learning)?

• Un enfoque para entrenar modelos de IA utilizando grandes conjuntos de datos etiquetados.

• Un método para desarrollar sistemas de IA basados en reglas predefinidas.

• Un enfoque en el que los modelos de IA aprenden a través de la interacción con un entorno y la retroalimentación recibida.

• Un método utilizado para evaluar la precisión de los algoritmos de búsqueda.

¿Cuál de las siguientes opciones describe mejor el término "aprendizaje no supervisado" en el contexto de la inteligencia artificial?

• Un enfoque de aprendizaje automático en el que los datos de entrenamiento no están etiquetados y el modelo busca encontrar patrones o estructuras ocultas en los datos.

• Un enfoque de aprendizaje automático en el que los modelos de IA aprenden a través de la interacción con un entorno y la retroalimentación recibida.

• Un enfoque de aprendizaje automático que utiliza redes neuronales con múltiples capas para extraer características y tomar decisiones.

• Un enfoque de aprendizaje automático en el que los modelos de IA se entrenan utilizando grandes conjuntos de datos etiquetados para realizar predicciones precisas.

¿Cuál de las siguientes opciones describe mejor el objetivo principal del aprendizaje supervisado en inteligencia artificial?

• Entrenar un modelo utilizando ejemplos no etiquetados para hacer predicciones precisas.

• Clasificar automáticamente grandes conjuntos de datos sin intervención humana.

• Aprender a través de la interacción con el entorno y la retroalimentación recibida.

• Utilizar datos de entrenamiento etiquetados para predecir etiquetas para nuevos datos.

¿Cuál de las siguientes opciones describe mejor el Aprendizaje Profundo (Deep Learning)?

• Un enfoque de IA que se basa en reglas predefinidas y heurísticas.

• Un subcampo de ML que utiliza algoritmos basados en árboles de decisión.

• Un enfoque de ML que utiliza redes neuronales con múltiples capas para extraer características y tomar decisiones.

• Una técnica de IA que imita el funcionamiento del cerebro humano utilizando algoritmos genéticos.

¿Cuál de las siguientes etapas describe mejor el proceso de construcción de un modelo de ML?

• Definición de los objetivos del proyecto.

• Implementación del modelo en producción.

• Evaluación del rendimiento del modelo en los datos de prueba.

• Adquisición de los datos de entrenamiento.

¿Cuál de las siguientes tareas es esencial en la etapa de preprocesamiento de datos en la construcción de un modelo de ML?

• Dividir los datos en conjuntos de entrenamiento y prueba.

• Seleccionar el algoritmo de ML adecuado para el problema.

• Entrenar el modelo con los datos de entrenamiento.

• Implementar el modelo en un entorno de producción.

¿Cuál de las siguientes opciones describe mejor la técnica de selección de características en la construcción de un modelo de ML?

• Evaluar diferentes algoritmos de ML para seleccionar el más adecuado para el problema.

• Seleccionar las características más relevantes o informativas de los datos para mejorar el rendimiento del modelo.

• Ajustar los parámetros del modelo para obtener el mejor rendimiento en los datos de entrenamiento.

• Utilizar datos adicionales no relacionados con el problema para mejorar la precisión del modelo.

¿Cuál de las siguientes opciones describe mejor la etapa de evaluación del modelo en la construcción de un modelo de ML?

• Medir el rendimiento del modelo en los datos de entrenamiento.

• Comparar el rendimiento del modelo con otros modelos construidos en proyectos anteriores.

• Evaluar el rendimiento del modelo en datos no vistos previamente para medir su capacidad de generalización.

• Realizar pruebas de rendimiento en el modelo implementado en un entorno de producción.

¿Cuál de las siguientes opciones describe mejor el propósito del EDA en el proceso de ML?

• Identificar y eliminar características irrelevantes en los datos.

• Preparar los datos para la etapa de entrenamiento del modelo.

• Explorar y comprender los datos antes de construir el modelo.

• Evaluar el rendimiento del modelo en los datos de prueba.